使用 DataX 实现数据同步（高效的同步工具）

article/2025/10/13 5:52:47

DataX 使用介绍

  • 前言
  • 一、DataX 简介
    • 1.DataX3.0 框架设计
    • 2.DataX3.0 核心架构
  • 二、使用 DataX 实现数据同步
    • 1.Linux 上安装 DataX 软件
    • 2.DataX 基本使用
    • 3.安装 MySQL 数据库
    • 4.通过 DataX 实 MySQL 数据同步
    • 5.使用 DataX 进行增量同步

前言

我们公司有个项目的数据量高达五千万，但是因为报表那块数据不太准确，业务库和报表库又是跨库操作，所以并不能使用 SQL 来进行同步。当时的打算是通过 mysqldump 或者存储的方式来进行同步，但是尝试后发现这些方案都不切实际：

mysqldump：不仅备份需要时间，同步也需要时间，而且在备份的过程，可能还会有数据产出（也就是说同步等于没同步）

存储方式：这个效率太慢了，要是数据量少还好，我们使用这个方式的时候，三个小时才同步两千条数据…

后面在网上查看后，发现 DataX 这个工具用来同步不仅速度快，而且同步的数据量基本上也相差无几。

一、DataX 简介

DataX 是阿里云 DataWorks 数据集成 的开源版本，主要就是用于实现数据间的离线同步。 DataX 致力于实现包括关系型数据库（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等 各种异构数据源（即不同的数据库） 间稳定高效的数据同步功能。
在这里插入图片描述

  • 为了 解决异构数据源同步问题，DataX 将复杂的网状同步链路变成了星型数据链路，DataX 作为中间传输载体负责连接各种数据源；
  • 当需要接入一个新的数据源时，只需要将此数据源对接到 DataX，便能跟已有的数据源作为无缝数据同步。

1.DataX3.0 框架设计

DataX 采用 Framework + Plugin 架构，将数据源读取和写入抽象称为 Reader/Writer 插件，纳入到整个同步框架中。
在这里插入图片描述

角色作用
Reader（采集模块）负责采集数据源的数据，将数据发送给 Framework。
Writer（写入模块）负责不断向 Framework 中取数据，并将数据写入到目的端。
Framework（中间商）负责连接 Reader 和 Writer，作为两者的数据传输通道，并处理缓冲，流控，并发，数据转换等核心技术问题。

2.DataX3.0 核心架构

DataX 完成单个数据同步的作业，我们称为 Job，DataX 接收到一个 Job 后，将启动一个进程来完成整个作业同步过程。DataX Job 模块是单个作业的中枢管理节点，承担了数据清理、子任务切分、TaskGroup 管理等功能。
在这里插入图片描述

  • DataX Job 启动后，会根据不同源端的切分策略，将 Job 切分成多个小的 Task (子任务)，以便于并发执行。
  • 接着 DataX Job 会调用 Scheduler 模块，根据配置的并发数量，将拆分成的 Task 重新组合，组装成 TaskGroup（任务组）
  • 每一个 Task 都由 TaskGroup 负责启动，Task 启动后，会固定启动 Reader --> Channel --> Writer 线程来完成任务同步工作。
  • DataX 作业运行启动后，Job 会对 TaskGroup 进行监控操作，等待所有 TaskGroup 完成后，Job 便会成功退出（异常退出时 值非 0）

DataX 调度过程：

  1. 首先 DataX Job 模块会根据分库分表切分成若干个 Task，然后根据用户配置并发数，来计算需要分配多少个 TaskGroup；
  2. 计算过程：Task / Channel = TaskGroup，最后由 TaskGroup 根据分配好的并发数来运行 Task（任务）

二、使用 DataX 实现数据同步

准备工作：

  • JDK（1.8 以上，推荐 1.8）
  • Python（2，3 版本都可以）
  • Apache Maven 3.x（Compile DataX）（手动打包使用，使用 tar 包方式不需要安装）
主机名操作系统IP 地址软件包
MySQL-1CentOS 7.4192.168.1.1jdk-8u181-linux-x64.tar.gz datax.tar.gz
MySQL-2CentOS 7.4192.168.1.2

安装 JDK：下载地址（需要创建 Oracle 账号）

[root@MySQL-1 ~]# ls
anaconda-ks.cfg  jdk-8u181-linux-x64.tar.gz
[root@MySQL-1 ~]# tar zxf jdk-8u181-linux-x64.tar.gz 
[root@DataX ~]# ls
anaconda-ks.cfg  jdk1.8.0_181  jdk-8u181-linux-x64.tar.gz
[root@MySQL-1 ~]# mv jdk1.8.0_181 /usr/local/java
[root@MySQL-1 ~]# cat <<END >> /etc/profile
export JAVA_HOME=/usr/local/java
export PATH=$PATH:"$JAVA_HOME/bin"
END
[root@MySQL-1 ~]# source /etc/profile
[root@MySQL-1 ~]# java -version
  • 因为 CentOS 7 上自带 Python 2.7 的软件包，所以不需要进行安装。

1.Linux 上安装 DataX 软件

[root@MySQL-1 ~]# wget http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
[root@MySQL-1 ~]# tar zxf datax.tar.gz -C /usr/local/
[root@MySQL-1 ~]# rm -rf /usr/local/datax/plugin/*/._*						# 需要删除隐藏文件 (重要)
  • 当未删除时，可能会输出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请检查您的配置文件.

验证：

[root@MySQL-1 ~]# cd /usr/local/datax/bin
[root@MySQL-1 ~]# python datax.py ../job/job.json							# 用来验证是否安装成功

输出：

2021-12-13 19:26:28.828 [job-0] INFO  JobContainer - PerfTrace not enable!
2021-12-13 19:26:28.829 [job-0] INFO  StandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 253.91KB/s, 10000 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 0.060s |  All Task WaitReaderTime 0.068s | Percentage 100.00%
2021-12-13 19:26:28.829 [job-0] INFO  JobContainer - 
任务启动时刻                    : 2021-12-13 19:26:18
任务结束时刻                    : 2021-12-13 19:26:28
任务总计耗时                    :                 10s
任务平均流量                    :          253.91KB/s
记录写入速度                    :          10000rec/s
读出记录总数                    :              100000
读写失败总数                    :                   0

2.DataX 基本使用

查看 streamreader --> streamwriter 的模板：

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter

输出：

DataX (DATAX-OPENSOURCE-3.0), From Alibaba !
Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved.Please refer to the streamreader document:https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md Please refer to the streamwriter document:https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md Please save the following configuration as a json file and  usepython {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json 
to run the job.{"job": {"content": [{"reader": {"name": "streamreader", "parameter": {"column": [], "sliceRecordCount": ""}}, "writer": {"name": "streamwriter", "parameter": {"encoding": "", "print": true}}}], "setting": {"speed": {"channel": ""}}}
}

根据模板编写 json 文件

[root@MySQL-1 ~]# cat <<END > test.json
{"job": {"content": [{"reader": {"name": "streamreader", "parameter": {"column": [								# 同步的列名 (* 表示所有){"type":"string","value":"Hello."},{"type":"string","value":"河北彭于晏"},], "sliceRecordCount": "3"					# 打印数量}}, "writer": {"name": "streamwriter", "parameter": {"encoding": "utf-8",					# 编码"print": true}}}], "setting": {"speed": {"channel": "2"									# 并发 (即 sliceRecordCount * channel = 结果)}}}
}

输出：（要是复制我上面的话，需要把 # 带的内容去掉）
在这里插入图片描述

3.安装 MySQL 数据库

分别在两台主机上安装：

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel   
[root@MySQL-1 ~]# systemctl start mariadb												# 安装 MariaDB 数据库
[root@MySQL-1 ~]# mysql_secure_installation												# 初始化	
NOTE: RUNNING ALL PARTS OF THIS SCRIPT IS RECOMMENDED FOR ALL MariaDBSERVERS IN PRODUCTION USE!  PLEASE READ EACH STEP CAREFULLY!Enter current password for root (enter for none):	     	# 直接回车
OK, successfully used password, moving on...
Set root password? [Y/n] y                       	 	 	# 配置 root 密码
New password: 
Re-enter new password: 
Password updated successfully!
Reloading privilege tables..... Success!
Remove anonymous users? [Y/n] y                			 	# 移除匿名用户... skipping.
Disallow root login remotely? [Y/n] n            		 	# 允许 root 远程登录... skipping.
Remove test database and access to it? [Y/n] y 		     	# 移除测试数据库... skipping.
Reload privilege tables now? [Y/n] y             	     	# 重新加载表... Success!

1）准备同步数据（要同步的两台主机都要有这个表）

MariaDB [(none)]> create database `course-study`;
Query OK, 1 row affected (0.00 sec)MariaDB [(none)]> create table `course-study`.t_member(ID int,Name varchar(20),Email varchar(30));
Query OK, 0 rows affected (0.00 sec)

在这里插入图片描述
因为是使用 DataX 程序进行同步的，所以需要在双方的数据库上开放权限：

grant all privileges on *.* to root@'%' identified by '123123';
flush privileges;

2）创建存储过程：

DELIMITER $$
CREATE PROCEDURE test()
BEGIN
declare A int default 1;
while (A < 3000000)do
insert into `course-study`.t_member values(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));
set A = A + 1;
END while;
END $$
DELIMITER ;

在这里插入图片描述
3）调用存储过程（在数据源配置，验证同步使用）：

call test();

4.通过 DataX 实 MySQL 数据同步

1）生成 MySQL 到 MySQL 同步的模板：

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r mysqlreader -w mysqlwriter
{"job": {"content": [{"reader": {"name": "mysqlreader",							# 读取端"parameter": {"column": [], 								# 需要同步的列 (* 表示所有的列)"connection": [{"jdbcUrl": [], 						# 连接信息"table": []							# 连接表}], "password": "", 							# 连接用户"username": "", 							# 连接密码"where": ""									# 描述筛选条件}}, "writer": {"name": "mysqlwriter",							# 写入端"parameter": {"column": [], 								# 需要同步的列"connection": [{"jdbcUrl": "", 						# 连接信息"table": []							# 连接表}], "password": "", 							# 连接密码"preSql": [], 								# 同步前. 要做的事"session": [], "username": "",								# 连接用户 "writeMode": ""								# 操作类型}}}], "setting": {"speed": {"channel": ""										# 指定并发数}}}
}

2）编写 json 文件：

[root@MySQL-1 ~]# vim install.json
{"job": {"content": [{"reader": {"name": "mysqlreader", "parameter": {"username": "root","password": "123123","column": ["*"],"splitPk": "ID","connection": [{"jdbcUrl": ["jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"], "table": ["t_member"]}]}}, "writer": {"name": "mysqlwriter", "parameter": {"column": ["*"], "connection": [{"jdbcUrl": "jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8","table": ["t_member"]}], "password": "123123","preSql": ["truncate t_member"], "session": ["set session sql_mode='ANSI'"], "username": "root", "writeMode": "insert"}}}], "setting": {"speed": {"channel": "5"}}}
}

3）验证

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py install.json

输出：

2021-12-15 16:45:15.120 [job-0] INFO  JobContainer - PerfTrace not enable!
2021-12-15 16:45:15.120 [job-0] INFO  StandAloneJobContainerCommunicator - Total 2999999 records, 107666651 bytes | Speed 2.57MB/s, 74999 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 82.173s |  All Task WaitReaderTime 75.722s | Percentage 100.00%
2021-12-15 16:45:15.124 [job-0] INFO  JobContainer - 
任务启动时刻                    : 2021-12-15 16:44:32
任务结束时刻                    : 2021-12-15 16:45:15
任务总计耗时                    :                 42s
任务平均流量                    :            2.57MB/s
记录写入速度                    :          74999rec/s
读出记录总数                    :             2999999
读写失败总数                    :                   0

你们可以在目的数据库进行查看，是否同步完成。
在这里插入图片描述

  • 上面的方式相当于是完全同步，但是当数据量较大时，同步的时候被中断，是件很痛苦的事情；
  • 所以在有些情况下，增量同步还是蛮重要的。

5.使用 DataX 进行增量同步

使用 DataX 进行全量同步和增量同步的唯一区别就是：增量同步需要使用 where 进行条件筛选。（即，同步筛选后的 SQL）

1）编写 json 文件：

[root@MySQL-1 ~]# vim where.json
{"job": {"content": [{"reader": {"name": "mysqlreader", "parameter": {"username": "root","password": "123123","column": ["*"],"splitPk": "ID","where": "ID <= 1888","connection": [{"jdbcUrl": ["jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"], "table": ["t_member"]}]}}, "writer": {"name": "mysqlwriter", "parameter": {"column": ["*"], "connection": [{"jdbcUrl": "jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8","table": ["t_member"]}], "password": "123123","preSql": ["truncate t_member"], "session": ["set session sql_mode='ANSI'"], "username": "root", "writeMode": "insert"}}}], "setting": {"speed": {"channel": "5"}}}
}
  • 需要注意的部分就是：where（条件筛选） 和 preSql（同步前，要做的事） 参数。

2）验证：

[root@MySQL-1 ~]# python /usr/local/data/bin/data.py where.json

输出：

2021-12-16 17:34:38.534 [job-0] INFO  JobContainer - PerfTrace not enable!
2021-12-16 17:34:38.534 [job-0] INFO  StandAloneJobContainerCommunicator - Total 1888 records, 49543 bytes | Speed 1.61KB/s, 62 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 0.002s |  All Task WaitReaderTime 100.570s | Percentage 100.00%
2021-12-16 17:34:38.537 [job-0] INFO  JobContainer - 
任务启动时刻                    : 2021-12-16 17:34:06
任务结束时刻                    : 2021-12-16 17:34:38
任务总计耗时                    :                 32s
任务平均流量                    :            1.61KB/s
记录写入速度                    :             62rec/s
读出记录总数                    :                1888
读写失败总数                    :                   0

目标数据库上查看：
在这里插入图片描述
3）基于上面数据，再次进行增量同步：

主要是 where 配置："where": "ID > 1888 AND ID <= 2888"						# 通过条件筛选来进行增量同步

同时需要将我上面的 preSql 删除(因为我上面做的操作时 truncate 表)

在这里插入图片描述


http://chatgpt.dhexx.cn/article/UcS4IWoc.shtml

相关文章

Transpose函数的用法

Transpose函数的用法

Transpose函数的用法 在CNN机器学习中&#xff0c;经常要用到transpose函数对多维数组进行转置操作&#xff0c;下面是我对函数的理解过程。 1.二维数组的转换 二维数组中&#xff0c;原数组的第0轴的行&#xff0c;转换成新数组第1轴的列&#xff1b; 2.三维数组 三维数组较…
阅读更多...
转置算子(transpose)的一种实现

转置算子(transpose)的一种实现

transpose算子也叫做permute算子&#xff0c;根据白嫖有道英汉大词典的结果&#xff0c;他俩都是转置&#xff0c;改变排列顺序的意思。 算法逻辑是&#xff1a; 通过当前输出的一维偏移量(offset)计算输入矩阵对应的高维索引 然后根据参数pos重新排列输出索引&#xff0c;进…
阅读更多...
论文笔记——TransPose

论文笔记——TransPose

目录 摘要 一、前言 二、相关工作 2.1 人体姿态估计 2.2 可解释性 三、TransPose 3.1 网络结构 3.2 分辨率设置 3.3 attentions是定位关键点的依赖 四、实验 4.1 COCO实验数据对比 4.2 迁移到MPII数据对比 4.3 消融实验​编辑 4.4 量化分析 五、总结 摘要 虽然基…
阅读更多...
numpy中的transpose函数使用

numpy中的transpose函数使用

二维矩阵的transpose函数 &#xff1a; transpose&#xff08;&#xff09;简单来说&#xff0c;就相当于数学中的转置&#xff0c;在矩阵中&#xff0c;转置就是把行与列相互调换位置&#xff1b; 例如&#xff1a;随机生成一个三行五列的二维矩阵&#xff1a; arr np.aran…
阅读更多...
transpose()函数的理解

transpose()函数的理解

图1 输入如图1所示语句&#xff0c;输出如下&#xff1a; 图2 由以上两图说明transpose()函数的作用&#xff1a; 假设shape(z,x,y),在RGB图像中可以理解为z代表通道数&#xff0c;x代表图像的第几行&#xff0c;y代表图像的第几列&#xff0c;x和y组合而成所代表的像素构成…
阅读更多...
详解Python的transpose函数

详解Python的transpose函数

数组转置和换轴 import numpy as np >>> arr np.arange(16).reshape((2,2,4)) array([[[ 0, 1, 2, 3],[ 4, 5, 6, 7]],[[ 8, 9, 10, 11],[12, 13, 14, 15]]])>>> arr.transpose((1, 0, 2)) array([[[ 0, 1, 2, 3],[ 8, 9, 10, 11]],[[ 4, 5, …
阅读更多...
np.transpose

np.transpose

最近看代码的时候&#xff0c;老是出现np.transpose()这个用法&#xff0c;但是对其中的原理还是不甚了解&#xff0c;今天就来总结一下&#xff0c;以及这个用法对图像的结果及效果。 参数 a:输入数组 axis: int类型的列表&#xff0c;这个参数是可选的。默认情况下&#xff…
阅读更多...
np.transpose()函数详解

np.transpose()函数详解

1. 碰见 numpy.transpose 用于高维数组时挺让人费解&#xff0c;通过分析和代码验证&#xff0c;发现 transpose 用法还是很简单的。说白了就是映射坐标轴 2. 举个例子&#xff1a; x np.arange(12).reshape((2,3,2))创建一个2 * 3 * 2的数组&#xff1a; 使用 numpy.trans…
阅读更多...
【Python学习】transpose函数

【Python学习】transpose函数

shape:(batch_size * x * y ) 有batch_size个二维矩阵&#xff08;x * y&#xff09;相当于(z * x * y) 1. 多维数组的索引 import numpy as np # 创建 x np.arange(12).reshape((2,2,3)) print(x)# 得到三维数组 [[[ 0 1 2][ 3 4 5]][[ 6 7 8][ 9 10 11]]] # 相当于 b…
阅读更多...
最简单例子解释python的transpose函数

最简单例子解释python的transpose函数

目录 一&#xff0c;我们要弄清楚transpose的轴是什么意思&#xff1f;二&#xff0c;(x,y,z)的物理含义:三&#xff0c;transpose变换的例子四&#xff0c;代码验证五&#xff0c;关于经过了transpose变换之后&#xff0c;这个三维数组的形状是如何变化确定的&#xff1f; 二维…
阅读更多...
转置（transpose）的理解

转置（transpose）的理解

目录 1 .T,适用于一、二维数组 arr.T #求转置 transpose 的原理其实是根据维度&#xff08;shape&#xff09;索引决定的&#xff0c;举个栗子&#xff1a; 2. 高维数组 3. swapaxes 转置可以对数组进行重置&#xff0c;返回的是源数据的视图&#xff08;不会进行任何复制…
阅读更多...
Python numpy.transpose 详解

Python numpy.transpose 详解

前言 看Python代码时&#xff0c;碰见 numpy.transpose 用于高维数组时挺让人费解&#xff0c;通过一番画图分析和代码验证&#xff0c;发现 transpose 函数的使用方法还是很简单的。 注&#xff1a;评论中说的三维坐标图中的 0 1 2 3 标反了&#xff0c;已经修正&#xff0c…
阅读更多...
2020年最新可用的谷歌镜像站

2020年最新可用的谷歌镜像站

g.vovososo.com 谷歌镜像入口 不用翻&#xff0c;墙&#xff0c;就可实现访问谷歌搜索 &#xff0c;也可以通过扫描以下二维码下载APP进行访问
阅读更多...
谷歌搜索镜像

谷歌搜索镜像

分享自己收藏的谷歌搜索镜像 可自由在谷歌查询信息 http://ac.scmor.com/ 转载于:https://www.cnblogs.com/aeip/p/9506344.html
阅读更多...
谷歌引擎镜像网址

谷歌引擎镜像网址

谷歌引擎镜像网址 当前可用的网址 链接: https://gfsoso.xz95.top/ 若是显示我们的系统检测到您的计算机网络中存在异常流量&#xff0c;可重新搜索或者选择图片进行搜索&#xff0c;然后在点开全部搜索&#xff08;有时候可能会崩吧&#xff0c;我个人感觉用图片搜索再点全…
阅读更多...
谷歌镜像地址分享

谷歌镜像地址分享

谷歌镜像地址分享 谷歌镜像地址分享谷歌应用商店参考文档 谷歌镜像地址分享 使用搜索引擎来查找所需要的资料是一件很普遍的事&#xff0c;而搜索引擎主要有百度、必应、雅虎和谷歌等等。 每个搜索引擎各有利弊&#xff0c;而一般大家公认的是谷歌搜索引擎搜索准确率更高一些&…
阅读更多...
分享27个谷歌(Google)镜像

分享27个谷歌(Google)镜像

为什么80%的码农都做不了架构师&#xff1f;>>> 多年来搜集的谷歌镜像&#xff0c;大多数都能打开&#xff0c;打不开的也许过一段上一段时间能打开。真诚希望这些神奇的搜索引擎&#xff0c;能助你在前端界有所建树。有空关注下面前端相关公众账号jsdig(及时挖掘&…
阅读更多...
谷歌学术镜像_Google镜像站

谷歌学术镜像_Google镜像站

在国外留学要想毕业顺利, 论文可是其中很重要的一环. 相比于国内, 英国对于论文的要求更为严格, 要有一定的格式和学术要求. 除此之外, 还要有理有据, 要用高质量的引文作为对自己观点的论证. 这时就要查文献了. 要说查文献, 谷歌学术绝对是最佳帮手, 免费还操作简单. 当然全面…
阅读更多...
国内最新可用Google谷歌镜像网站入口网站网址

国内最新可用Google谷歌镜像网站入口网站网址

很多同学都需要使用谷歌搜索来查找一些英文的学习资料&#xff0c;但是由于某些原因国内无法使用。办公人导航就和大家分享另外一种在国内可以使用谷歌搜索的方法那就使用使用谷歌镜像网站。 Google谷歌镜像网站可以帮助我们在国内访问和使用谷歌搜索&#xff0c;但这并不是真…
阅读更多...
Google谷歌搜索引擎镜像入口网址大全导航,谷歌搜索引擎镜像站

Google谷歌搜索引擎镜像入口网址大全导航,谷歌搜索引擎镜像站

当我们需要使用谷歌搜索一些学习资料的时候&#xff0c;就需要借助Google谷歌搜索引擎镜像网站&#xff0c;很多同学不知道有哪些可以使用的谷歌搜索引擎镜像站&#xff0c;下面办公人导航就和大家分享Google谷歌搜索引擎镜像入口网址大全导航。 1.google谷歌搜索引擎镜像站网址…
阅读更多...
推荐文章

Copyright @ 2022~2023